CN112503721A - 一种基于概率神经网络的分体式空调故障识别方法 - Google Patents
一种基于概率神经网络的分体式空调故障识别方法 Download PDFInfo
- Publication number
- CN112503721A CN112503721A CN202011311463.1A CN202011311463A CN112503721A CN 112503721 A CN112503721 A CN 112503721A CN 202011311463 A CN202011311463 A CN 202011311463A CN 112503721 A CN112503721 A CN 112503721A
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- characteristic signals
- air conditioner
- probabilistic neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于概率神经网络的分体式空调故障识别方法,属于空调技术领域,包括:采集分体式空调运行状态的多组全维度特征信号;预设故障类型,将多组全维度特征信号中的一部分组作为训练样本输入概率神经网络模型进行训练;将另一部分组作为测试样本输入概率神经网络模型进行测试,直至获得合格的概率神经网络模型;接收携带有故障信息的故障分析指令;根据故障信息以及预设的匹配清单,确定并采集分体式空调运行状态下的有用维度特征信号,并从预设的补充集中获取无用维度特征信号;将有用维度特征信号和无用维度特征信号输入概率神经网络模型,获得分体式空调的故障类型。本发明能够有效降低其他信号的干扰、提高故障分析结果的准确率。
Description
技术领域
本发明涉及空调技术领域,特别涉及一种基于概率神经网络的分体式空调故障识别方法。
背景技术
分体式空调由室内机和室外机组成,两者分别安装在室内和室外,中间通过管路和电线连接起来的空气调节器。它是一台内机对应一台外机,它与整体式空调器是相对的,整体式空调器是一体机,无内、外机之分;分体式空调室内机有壁挂式、立柜式、吊顶式、嵌入式、落地式等类型。
可见,由于分体式空调分为内机、外机和连接管路,因此当某一部分发生故障时,其外在的故障表现较为明显,例如故障表现为内机噪声或者振动较大时,则故障原因出现在内机上,通常与外机以及管路无关,因此只需要对内机进行故障分析即可。
然而现有技术中,空调的故障分析识别方法和系统需要对整机的各项参数进行采集和处理,这导致参数数据的采集和处理量较大,并且当空调的参数同时存在两个异常,并且两个异常参数分别带来不同的故障,那么这两个故障参数会互相影响,导致无法给出正确的故障识别结果。例如,当其中的异常参数A带来的故障并不影响正常使用时,那么希望获得的是有异常参数B带来的影响空调正常使用的故障诊断结果,但是现有的空调故障分析系统很可能会给出有异常参数A带来的不影响空调正常使用的故障分析结果,在以此进行排查和维护后,则会出现影响空调使用的故障依然没有被排除,即异常参数B带来的故障没有被准确识别出。
概率神经网络一种常用于模式分类的神经网络,它是基于统计原理的神经网络模型,在分类功能上与最优贝叶斯分类器等价,其实质是基于贝叶斯最小风险准则发展而来的一种并行算法。与其它人工智能算法相比,概率神经网络不需要计算反向误差传播,训练时间短,不易产生局部最优,分类正确率更高。
发明内容
针对现有技术存在的空调故障识别分析效果差的问题,本发明的目的在于提供一种基于概率神经网络的分体式空调故障识别方法。
为实现上述目的,本发明的技术方案为:
一种基于概率神经网络的分体式空调故障识别方法,包括,
采集所述分体式空调运行状态下的多组全维度特征信号,所述分体式空调运行状态包括故障运行和正常运行,所述全维度特征信号为从多个维度测得的所述分体式空调在运行状态下产生的特征信号;
预设故障类型,将所述多组全维度特征信号中的一部分组作为训练样本,并将各组全维度特征信号作为故障特征向量输入概率神经网络模型进行训练;
将所述多组全维度特征信号中的另一部分组作为测试样本,并将各组全维度特征信号作为故障特征向量输入概率神经网络模型进行测试,对概率神经网络模型的准确性进行验证,直至获得合格的概率神经网络模型;
接收故障分析指令,所述故障分析指令携带有故障信息;
根据所述故障信息以及预设的匹配清单,确定并采集所述分体式空调运行状态下的有用维度特征信号,并从预设的补充集中获取无用维度特征信号,所述有用维度特征信号和所述无用维度特征信号共同构成所述全维度特征信号;
将所述有用维度特征信号以及所述无用维度特征信号输入所述合格的概率神经网络模型,获得所述分体式空调的故障类型。
优选的,所述故障信息包括但不限于制冷能力缺失、制冷能力不足、制热能力缺失、制热能力不足、内机异响、内机漏水和摆风能力缺失。
所述全维度特征信号包括但不限于内机和外机的振动信号和声音信号、各用电器件的通断信号以及各管路内的气体温度信号。
优选的,所述预设的匹配清单用于将一个或者多个维度特征信号关联到相应的故障信息。
优选的,所述补充集为当所述概率神经网络模型输出的故障类型为无故障时,输入的所述全维度特征信号的集合。
优选的,所述合格的概率神经网络模型为故障识别率达到阈值的概率神经网络模型。
采用上述技术方案,首先由于空调运行状态下全维度特征信号的输入,使得概率神经网络模型的输入范围更广,使用其进行的空调故障的分析更加全面;又由于故障分析指令中携带的故障信息,使得根据分体式空调的故障表现以及预设的匹配清单,即可确定应当采集哪些有用的维度特征信号即能够进行故障分析,而其余的维度特征信号则使用空调正常运行状态下的无用的维度特征信号充数,从而有效的尽可能的降低了其他也存在异常、但与故障表现无关的维度特征信号的干扰,使对故障表现的故障分析更加准确。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示对本发明结构的说明,仅是为了便于描述本发明的简便,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
对于本技术方案中的“第一”和“第二”,仅为对相同或相似结构,或者起相似功能的对应结构的称谓区分,不是对这些结构重要性的排列,也没有排序、或比较大小、或其他含义。
另外,除非另有明确的规定和限定,术语“安装”、“连接”应做广义理解,例如,连接可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个结构内部的连通。对于本领域的普通技术人员而言,可以根据本发明的总体思路,联系本方案上下文具体情况理解上述术语在本发明中的具体含义。
一种基于概率神经网络的分体式空调故障识别方法,如图1所示,包括步骤S102、步骤S104、步骤S106、步骤S108、步骤S1010和步骤S1012。
步骤S102,采集分体式空调运行状态下的多组全维度特征信号,其中,分体式空调运行状态包括故障运行和正常运行,而全维度特征信号为从多个维度测得的分体式空调在运行状态下产生的特征信号。
可以理解的是,全维度特征信号包括但不限于内机的振动信号和声音信号、外机的振动信号和声音信号、各用电器件的通断信号以及各管路内的气体温度信号。其中,振动信号由加速度传感器测得,声音信号由声纹采集设备采集,用电器件的通断信号通过各用电器件连接的断路器采集,各管路内的气体温度信号由温度传感器采集,并且,每个采集设备都具有唯一编号。
步骤S104,预设故障类型,将多组全维度特征信号中的一部分组作为训练样本,并将各组全维度特征信号作为故障特征向量输入概率神经网络模型进行训练。
故障类型包括但不限于压缩机故障、冷凝器故障、风扇故障、管路堵塞、管路泄露等等。但是可以理解的是,在实际使用过程中,针对每一项故障,都有与该故障对应的、可用于表征该故障的一个或者多个由采集设备所采集到的维度特征信号。例如,某一段管路堵塞时,则其前方布置的温度传感器采集到的温度信号保持不变,其后方布置的温度传感器采集到的温度信号严重失真,并与室外温度接近,则可以表征该故障为某一管路堵塞。
上述具体的故障类型以及应当出现异常的特征信号之间的对应逻辑由人设定,并在设定好故障类型(相应的部件发生故障)后,全维度特征信号中的部分数值发生异常,再带入到概率神经网络后,即可初步获得表征故障类型和参数异常(全维度特征信号)之间关系的模型。
步骤S106,将多组全维度特征信号中的另一部分组作为测试样本,并将各组全维度特征信号作为故障特征向量输入概率神经网络模型进行测试,对概率神经网络模型的准确性进行验证,直至获得合格的概率神经网络模型。
步骤S104中初步训练得到概率神经网络模型后,通过测试样本对其进行验证,根据空调真实的运行状态判断该概率神经网络模型对全维度特征信号的处理结果是否准确,并且准确性是否达到设定的阈值,是则确定可用的概率神经网络模型,否则继续进行步骤S104和步骤S106。
步骤S108,接收故障分析指令,故障分析指令携带有故障信息。
故障分析指令可以由使用者点击遥控器按键或者用户客户端APP上的界面按钮等方式发出,不同的遥控器按键或者用户客户端APP上的界面按钮可代表不同的故障信息,而故障信息包括但不限于制冷能力缺失、制冷能力不足、制热能力缺失、制热能力不足、内机异响、内机漏水和摆风能力缺失等直观的、可由用户直接确认的故障表现。
步骤S1010,根据故障信息以及预设的匹配清单,确定并采集分体式空调运行状态下的有用维度特征信号,并从预设的补充集中获取无用维度特征信号,有用维度特征信号和无用维度特征信号共同构成全维度特征信号。
可以理解的是,由于用户的选择已经确定了空调的故障表现,相当于缩小了故障可能发生的范围。例如故障信息为内机异响,那么有关外机的各种特征信号则不是故障原因,本实施例中,预设的匹配清单用于将一个或者多个维度特征信号关联到相应的故障信息,匹配清单事先设置了每一项故障信息中,可能引起该故障的原因,以及需要进行分析的特征信号,即有用维度特征信号。
而补充集则代表的是,属于有用维度特征信号之外的其他维度特征信号,本实施例中,将当概率神经网络模型输出的故障类型为无故障时(即空调正常运行状态下),输入到概率神经网络模型的全维度特征信号的集合。
步骤S1012,将有用维度特征信号以及无用维度特征信号输入上述合格的概率神经网络模型,获得分体式空调的故障类型。
本实施例中,故障信息、预设的匹配清单以及补充集的设置,有效减少了具体故障原因分析过程中需要采集的特征信号的数量,在保证空调故障分析具有更多维度、更高精度的基础上,使得其他维度特征信号对故障分析过程的干扰降至最低,有效保证了经过概率神经网络模型分析处理并输出的故障类型即为用户希望获得能够解决故障表现的原因。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (6)
1.一种基于概率神经网络的分体式空调故障识别方法,其特征在于:包括,
采集所述分体式空调运行状态下的多组全维度特征信号,所述分体式空调运行状态包括故障运行和正常运行,所述全维度特征信号为从多个维度测得的所述分体式空调在运行状态下产生的特征信号;
预设故障类型,将所述多组全维度特征信号中的一部分组作为训练样本,并将各组全维度特征信号作为故障特征向量输入概率神经网络模型进行训练;
将所述多组全维度特征信号中的另一部分组作为测试样本,并将各组全维度特征信号作为故障特征向量输入概率神经网络模型进行测试,对概率神经网络模型的准确性进行验证,直至获得合格的概率神经网络模型;
接收故障分析指令,所述故障分析指令携带有故障信息;
根据所述故障信息以及预设的匹配清单,确定并采集所述分体式空调运行状态下的有用维度特征信号,并从预设的补充集中获取无用维度特征信号,所述有用维度特征信号和所述无用维度特征信号共同构成所述全维度特征信号;
将所述有用维度特征信号以及所述无用维度特征信号输入所述合格的概率神经网络模型,获得所述分体式空调的故障类型。
2.根据权利要求1所述的基于概率神经网络的分体式空调故障识别方法,其特征在于:所述故障信息包括但不限于制冷能力缺失、制冷能力不足、制热能力缺失、制热能力不足、内机异响、内机漏水和摆风能力缺失。
3.根据权利要求1所述的基于概率神经网络的分体式空调故障识别方法,其特征在于:所述全维度特征信号包括但不限于内机和外机的振动信号和声音信号、各用电器件的通断信号以及各管路内的气体温度信号。
4.根据权利要求1所述的基于概率神经网络的分体式空调故障识别方法,其特征在于:所述预设的匹配清单用于将一个或者多个维度特征信号关联到相应的故障信息。
5.根据权利要求1所述的基于概率神经网络的分体式空调故障识别方法,其特征在于:所述补充集为当所述概率神经网络模型输出的故障类型为无故障时,输入的所述全维度特征信号的集合。
6.根据权利要求1所述的基于概率神经网络的分体式空调故障识别方法,其特征在于:所述合格的概率神经网络模型为故障识别率达到阈值的概率神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011311463.1A CN112503721A (zh) | 2020-11-20 | 2020-11-20 | 一种基于概率神经网络的分体式空调故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011311463.1A CN112503721A (zh) | 2020-11-20 | 2020-11-20 | 一种基于概率神经网络的分体式空调故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112503721A true CN112503721A (zh) | 2021-03-16 |
Family
ID=74960045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011311463.1A Pending CN112503721A (zh) | 2020-11-20 | 2020-11-20 | 一种基于概率神经网络的分体式空调故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112503721A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118035850A (zh) * | 2024-04-11 | 2024-05-14 | 青岛东捷建设集团有限公司 | 一种面向建筑墙体的混凝土厚度无损检测方法 |
CN118035850B (zh) * | 2024-04-11 | 2024-07-02 | 青岛东捷建设集团有限公司 | 一种面向建筑墙体的混凝土厚度无损检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111174370A (zh) * | 2018-11-09 | 2020-05-19 | 珠海格力电器股份有限公司 | 故障检测方法及装置、存储介质、电子装置 |
CN111578444A (zh) * | 2019-02-19 | 2020-08-25 | 珠海格力电器股份有限公司 | 一种空调故障预测方法、装置、存储介质及空调 |
-
2020
- 2020-11-20 CN CN202011311463.1A patent/CN112503721A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111174370A (zh) * | 2018-11-09 | 2020-05-19 | 珠海格力电器股份有限公司 | 故障检测方法及装置、存储介质、电子装置 |
CN111578444A (zh) * | 2019-02-19 | 2020-08-25 | 珠海格力电器股份有限公司 | 一种空调故障预测方法、装置、存储介质及空调 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118035850A (zh) * | 2024-04-11 | 2024-05-14 | 青岛东捷建设集团有限公司 | 一种面向建筑墙体的混凝土厚度无损检测方法 |
CN118035850B (zh) * | 2024-04-11 | 2024-07-02 | 青岛东捷建设集团有限公司 | 一种面向建筑墙体的混凝土厚度无损检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rogers et al. | A review of fault detection and diagnosis methods for residential air conditioning systems | |
CN108931387B (zh) | 提供准确诊断决策的基于多传感器信号分析的故障诊断方法 | |
CN112699913A (zh) | 一种台区户变关系异常诊断方法及装置 | |
US11561019B2 (en) | Performance diagnosis device and performance diagnosis method for air conditioner | |
CN112097365A (zh) | 基于预测和分类模型的空调故障检测与辩识方法及装置 | |
CN106971027B (zh) | 一种基于dr-bn模型的冷水机组故障特征选择方法 | |
CN111486555A (zh) | 一种人工智能ai专家系统进行中央空调节能调控的方法 | |
CN109636110A (zh) | 一种获取继电保护装置运行状态的方法及装置 | |
CN109344983A (zh) | 故障检测方法、装置及计算机可读存储介质 | |
CN114593776A (zh) | 空调室外机全息参数商检方法及系统 | |
CN117439687B (zh) | 一种基于hplc和hrf的双模通信方法、系统及装置 | |
Wen et al. | An enhanced principal component analysis method with Savitzky–Golay filter and clustering algorithm for sensor fault detection and diagnosis | |
CN106989005B (zh) | 一种空气压缩机性能检测系统及方法 | |
CN111968356A (zh) | 一种智能化建筑能耗监测系统及方法 | |
CN115614907A (zh) | 一种空调器及其室内温度预测方法和装置 | |
CN117459073B (zh) | 一种热泵系统运行数据的智能管理方法 | |
CN117436845B (zh) | 一种智慧小区供热系统异常数据监测方法 | |
CN110823291A (zh) | 基于K-means聚类算法的建筑物室内温湿度环境监测方法与系统 | |
CN108804796B (zh) | 基于频谱特征的环冷机漏风率检测方法 | |
CN112503721A (zh) | 一种基于概率神经网络的分体式空调故障识别方法 | |
CN112926756A (zh) | 一种中央空调设备ai维修知识库应用方法 | |
CN114838968B (zh) | 一种基于冷水水冷测试的空调故障检测方法及系统 | |
CN115950045A (zh) | 一种多联机空调系统及控制方法 | |
CN115289608B (zh) | 一种基于有监督投票机制的空调机组故障诊断方法 | |
CN115480556A (zh) | 一种暖通机电设备的智能在线故障诊断系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210316 |
|
RJ01 | Rejection of invention patent application after publication |